图像纹理分析的灰度-基元共生矩阵法

将描述纹理特征的统计方法和结构方法结合起来，提出灰度-基元共生矩阵，既能描述图像的灰度分布信息，又能表达局部细节。采用正规化处理，减少共生矩阵的计算量；将传统共生矩阵的一些特征如熵等引入基元一共生矩阵特征的计算，定义相应的特征向量。采用这种方法解决了单独使用某一方法的缺点，如计算量大、表达复杂、特征表达不够准确等。     

基于综合灰度共生矩阵的显微细胞图像纹理研究

灰度共生矩阵法是图像纹理分析中一种十分重要的方法。由于受到方向性和细胞本身特性的影响,传统的灰度共生矩阵法不能完整描述显微细胞图像的纹理,运用综合灰度共生矩阵可以有效地解决这个问题。根据显微细胞图像特点,计算出6个由综合灰度共生矩阵导出的纹理特征参数,并对它们进行归一化处理。通过分析这些归一化纹理特征值,可以对细胞图像中各种细胞成分进行分类描述。     

基于灰度共生矩阵的织物纹理分析

以一种常见的织物纹理为对象,采用灰度共生矩阵的方法进行纹理分析.介绍了灰度共生矩阵的原理及其特征参数,讨论了纹理的灰度共生矩阵特征参数、像素距离以及图像灰度等级对灰度共生矩阵的影响,确定了区分此类正常织物与带疵点织物纹理的灰度共生矩阵构造方法.针对该类正常织物图像进行纹理分析,特征参数值统计,确定了正常织物纹理像素方向、像素距离以及图像灰度等级.取原始织物图像尺寸为128×128,生成灰度共生矩阵的最佳像素距离为2,经直方图均衡化后,最佳灰度等级为16.实验结果表明,按照该规则生成的6个灰度共生矩阵的特征参数,能够准确的判断此类织物图像是否存在疵点.     

灰度共生矩阵纹理特征提取的Matlab实现

图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性工作,其中图像的纹理特征对描述图像内容具有重要意义,纹理特征提取已成为目前图像领域研究的热点。文中深入研究了基于灰度共生矩阵（GLCM）的纹理特征提取方法,给出了基于Matlab的简便实现代码,分析了共生矩阵各个构造参数对构造共生矩阵的影响。分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵（GLCM）的特定图像的纹理特征提取等都具有重要参考意义。     

基于DFT和共生矩阵的纹理特征描述方法

本文提出了一种基于离散傅立叶变换和共生矩阵的纹理特征提取方法.离散傅立叶变换将纹理图像从图像空间变换到频率空间,将图像的纹理特征转化成频谱特征.然后再利用共生矩阵的思想,完成纹理特征的提取.由于直接计算共生矩阵的计算量较大,因此我们首先对图像进行灰度正规化处理,缩小灰度值的范围,然后再将正规化处理后的灰度图像进行分块,最后计算相应块的共生矩阵的5个特征参数,把相应的特征参数取平均值,得到一个5维的特征向量来描述图像的纹理特征.     

一种综合颜色和纹理特征的图像检索算法

对图像颜色特征和纹理特征进行了研究。在图像颜色特征方面,利用人类的视觉特性,对图像不同分块的主色进行确认和加权处理,获得加权主色颜色特征;在纹理特征方面,利用统计法和结构法构造灰度-差分基元共生矩阵来提取纹理特征。在此基础上,通过高斯归一化方法将颜色特征和纹理特征进行综合,形成最后的图像检索特征,并给出了利用该特征的图像检索算法。实验结果表明,所提出的灰度-差分基元共生矩阵特征提取较传统的灰度共生矩阵特征更加精细,在此基础上综合利用颜色和纹理特征的图像检索方法具有更好的检索精度。     

基于色彩共生矩阵的CBIR方法

介绍了一种基于色彩共生矩阵提取颜色-纹理特征的图像检索方法。在灰度共生矩阵方法的基础上,发展出色彩共生矩阵方法,解决了灰度共生矩阵方法不能有效处理真彩色图像的缺陷,并从色彩共生矩阵中提取颜色和纹理特征用于图像检索。该方法易于实现、特征库简洁高效,且具有较好的检索效果。     

基于双树复小波和灰度共生矩阵的遥感图像分割

提出了一种将双树复小波变换和灰度共生矩阵相结合描述遥感图像局部纹理特征并用于分割的方法。该方法采用双树复小波高频模值子带Gamma分布与Lognormal分布参数组合特征、灰度共生矩阵特征组成的联合纹理特征作为遥感图像每一像素特征,然后用Canberra距离进行相似性度量,最终通过聚类完成遥感图像分割。实验结果表明,该纹理特征提取方法可以有效地表征遥感图像的纹理,得到更为精确的遥感图像分割结果。     

基于四像素共生矩阵的图像检索

传统的灰度共生矩阵是一种有效的纹理图像分析方法,它在图像理解和计算机视觉研究领域已得到了广泛的应用。为了更有效地进行图像检索,提出了一种新型的共生矩阵描述子,它是通过描述4个像素的空间相关性来进行图像检索。利用该共生矩阵描述子进行图像检索时,首先在RGB颜色空间中计算彩色梯度,然后利用四像素共生矩阵来描述图像特征,并用于基于内容的图像检索。实验结果表明,四像素共生矩阵描述子能够结合颜色、纹理和形状特征,因此检索性能优于灰度共生矩阵和颜色相关图。     

基于中值-游程共生矩阵的纹理特征提取

提出了一种基于中值-游程共生矩阵模型的纹理特征提取方法.该方法利用了图像的灰度信息和等灰度游程长度信息,通过计算图像的中值矩阵和游程矩阵,从而计算出中值-游程共生矩阵,来提取图像的特征.仿真结果表明,该方法能有效地分割出纹理图像上区域特性不同的纹理,且分割效果优于等灰度游程矩阵和灰度共生矩阵.     

基于模糊测度和证据理论的模糊聚类集成方法

针对现有集成方法在处理模糊聚类时存在的不足,提出一种基于证据理论的模糊聚类集成方法.以各聚类成员作为证据元,以样本点间的类别关系作为焦元,通过证据积累构造互相关矩阵.考虑到模糊聚类对于各样本点的聚类有效性,提出一种结合点模糊度和模糊贴近度的类别关系表示方法,并以此作为各证据元的基本概率赋值函数.最后基于互相关矩阵构造样本点间相似性关系,并利用谱聚类算法对其聚类. 实验中通过与多种已有聚类集成方法的对比表明,该方法具有较高的聚类性能.     

灰色复数矩阵SVD的无参考模糊图像质量评价

为了进一步突出重要的图像结构特征,采用复数矩阵表示图像,提出了基于灰色复数奇异值分解的无参考模糊图像质量评价方法。该方法首先将原始模糊图像经点扩散函数生成二次模糊图像,再采用复数矩阵的形式表示原始图像和二次模糊图像的结构特征,在此基础上,对原始模糊图像和二次模糊图像进行分块复数矩阵奇异值分解,获得区域相关度,采用灰色关联度评价模糊图像质量。在3个数据库上的实验结果表明,该方法评价结果合理,与主观评价具有较好的一致性。     

基于残差点的干涉相位图自适应滤波

为了能有效地对InSAR干涉相位图进行滤波,利用残差点矩阵作为滤波控制因子,对两种干涉相位图滤波方法进行了改进。该措施在不破坏致密的干涉条纹的情况下,通过引用干涉相位图的残差矩阵,对不同区域的图像采用不同强度的滤波器来实现自适应的降噪,同时详细描述了滤波方法的实施步骤,并用ERS-1重复轨道数据进行了验证,结果表明,该改进方法可取得良好的滤波效果。     

基于多维联想记忆神经网络的图像回忆

多维联想记忆神经网络在高噪声情况下图像回忆效果差。针对该问题,将图像矩阵垂直分成4个同型小矩阵,依次将4个小矩阵垂向聚合成一个新矩阵,以新矩阵的列向量作为库向量。数值实验结果表明,相比2个列向量构成的库向量,以4个列向量构成的库向量进行回忆的灰度图像更清晰且效率更高。     

基于多特征融合的图像检索

目前图像检索的准确性是研究的难题,主要在于特征提取的方法。为了提高图像检索的精度,在图像底层特征研究的基础上,提出了一种综合多特征的图像检索算法--基于底层特征综合分析算法(CAUC)。首先,在YUV颜色空间下提取图像的平均值和标准方差作为全局颜色特征,获得图像的二值位图,提取其局部颜色特征;然后,基于紧密度和Krawtchouk矩不变量提取图像的形状特征;再根据改进的四像素共生矩阵算法提取图像的纹理特征;最后综合多特征将待查询图像与图像库中图像进行相似度计算,返回相似度高的图像。在Corel-1000的图像集上的实验结果显示,与原来仅考虑四像素共生矩阵的方法相比,CAUC的查准率与查全率没有明显降低,但检索时间大大减少;与另外两种多特征融合的图像检索方法相比,CAUC仍能在保证较高检索速度的同时提高查准率与查全率。实验结果表明,CAUC方案能有效提取图像特征,提高检索效率。     

一种基于最大相似子阵的彩色图像检索算法

颜色是图像的重要特征之一,被广泛用于图像检索。传统的颜色直方图检索算法丢弃了色彩的空间位置信息,影响了算法的检索精度。针对这一问题,提出了一种基于最大相似子阵的彩色图像检索算法,即采用奇数方阵分割图像以捕捉颜色的空间分布特征,从而得到颜色矩阵,通过求解两个颜色矩阵的最大相似子阵实现相似度计算。研究结果表明,所提算法能够准确描述图像的颜色特征,相似度计算非常有效,相比全局直方图有较好的检索精度。     

基于离散余弦变换基函数迭代的人脸图像识别

使用非线性混沌方法处理与识别图像的研究工作逐渐增多,已有文献给出了一种 将正弦函数作为辅助函数与图像构造动力系统,迭代生成混沌吸引子作为图像特征。为进一步 探究图像吸引子作为图像的特性,改进识别效果,使用离散余弦变换(DCT)基函数矩阵代替正 弦函数,迭代生成近似混沌吸引子,用于人脸识别。首先,研究分析了DCT 基函数矩阵的多样 性与振荡特性;然后利用DCT 基函数矩阵与图像矩阵构造迭代表达式,通过给出的迭代算法使 其产生吸引子,再对吸引子进行快速傅里叶变换,计算相关系数,识别人脸图像。对于Yalefaces 图像库,每幅图像都参加训练,识别率可以达到100%,当使用每组前5 幅图像训练提取特征, 识别率可以超过85%;对于CMU PIE 数据库,每幅图像都参加训练,识别率可以超过99%。 该吸引子方法可以作为一种图像底层特征提取方法,有待于进一步深入研究。     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。